回归分析可以说是统计学中内容最丰富、应用最广泛的方法。众多回归的名称张口即来的就有一大片，线性回归、Logistic回归、Cox回归、Poission回归、Probit回归等等，可以一口气说30多种不带停顿的。
回归分析的思路和目的大都差不多，主要能做的事情是：
（1）探索危险因素。比如高血压的影响因素有哪些？血糖值的变化跟那些指标有关系？等等。
（2）定量分析不同因素对结果的影响大小。比如体重和血压都可能会影响血糖，哪个对血糖的影响更大一些呢？
（3）校正混杂因素。比如，想分析胃癌与幽门螺杆菌的关系，但是饮食因素可能是影响它们关系的混杂因素，需要进行校正，以得到胃癌与幽门螺杆菌的真实关系。
（4）预测。比如，知道了性别、年龄、BMI可能是影响高血压发生的因素，如果知道了一个人的性别=男，年龄=35，BMI=26，预测这个人发生高血压的概率有多大。
所有的回归方法可以认为是一个大家庭，但是家族成员实在太多，有时容易让人晕。为了让大家对众多回归有一个清醒的认识，本文对一些常见的回归分析方法做一下总结：
1，线性回归
线性回归是回归家族中的元老级人物，几乎是所有人学习回归方法最早接触，就算其它的回归你都没听说，最起码你一定要知道线性回归。
线性回归的因变量是连续变量，自变量可以是连续变量，也可以是分类变量。如果只有一个自变量，且只有两类，那这个回归就等同于t检验。如果只有一个自变量，且有三类或更多类，那这个回归就等同于方差分析。如果有2个自变量，一个是连续变量，一个是分类变量，那这个回归就等同于协方差分析。所以线性回归一定要认准一点，因变量一定要是连续变量。当然还有其它条件，比如独立性、线性、等方差性、正态性，这些说起来就话长了，而且在前面的几篇文章中我已经逐个介绍了，这里就不罗嗦了。
2，Logistic回归
与线性回归并称为为回归家族中的两大护法。应用范围一点不亚于线性回归，甚至有青出于蓝之势。在医学中，logistic回归的应用已经多于线性回归。
为什么医学中喜欢用logistic回归？因为logistic回归太好用了，而且太有实际意义了。利用logistic回归中的OR值，解释起来直接就可以说，如果具有某个危险因素，发病风险增加2.3倍，听起来多么地让人通俗易懂。比如，吸烟的人与不吸烟人相比，发生肺癌的风险是1.8倍，谁都能听懂什么意思（虽然仔细一想仍然不知道什么意思）。相比之下，线性回归就达不到这一效果。
而且，logistic回归在预测方面很有实际价值，可以直接说，如果一个人性别=男、年龄=40、吸烟、肥胖，这样一个人，发生肺癌的概率是67%。所有人都爱听这种解释。
logistic回归与线性回归恰好相反，因变量一定要是分类变量，不可能是连续变量。分类变量既可以是二分类，也可以是多分类，多分类中既可以是有序，也可以是无序。
logistic回归有多种类型，根据结局的类型来分的话，由于分类变量有多种类型，因此logistic回归也有多种类型。起码可以分为二分类的logistic回归、多项无序logistic回归、有序logistic回归（又称为累积比数logit模型、比例优势模型）。
根据研究目的来分的话，logistic回归可以分为条件logistic回归和非条件logistic回归。条件logistic回归用于配对资料的分析，非条件logistic回归用于非配对资料的分析，也就是直接随机抽样的资料。
3，Poisson回归
poisson回归相比就不如前两种方法应用广泛了，但通常情况下，也可以排进五大高手之列。
poisson回归主要用于结局资料是计数资料的情况，与线性回归和logistic回归又不同。注意计数资料不同于连续资料，不要弄混。
比如咳嗽次数、哮喘发作次数，等等变量，这是计数资料，需要考虑poisson回归，不能用线性回归。
再比如，胃癌随访10年，发生例数，也可以用poisson回归。虽然听起来好像是logistic回归，比如1000人随访10年，发生了20例胃癌。结局分为发生和不发生，像是logistic回归要干的事情。但是logistic回归通常认为服从二项分布，而二项分布一般认为发生率不应该太低。poisson回归服从poisson分布，一般用于发生率特别低的情形。
不过实际中可能是因为logistic回归名气太大，以至于很多人不管三七二十一，只要是分类资料就用logistic回归，不管阳性率发生到底是低还是高。所以导致poisson回归名气始终不如logistic回归。
4，Cox回归
cox回归的因变量有些特殊，它主要用于生存数据的分析。生存，就意味着因变量必须同时有2个，一个代表状态（如是否存活、是否进展、是否发生疾病、是否出现不良事件等），必须是分类变量，一个代表时间（如死亡时间、进展时间、疾病发生时间、出现不良事件时间等），应该是连续变量。只有同时具有这两个变量，才能用cox回归分析。
cox回归主要用于生存资料的分析，生存资料至少有两个结局变量，一是死亡状态，是活着还是死亡？二是死亡时间，如果死亡，什么时间死亡？如果活着，从开始观察到结束时有多久了？所以有了这两个变量，就可以考虑用cox回归分析。
但是一定要有清醒认识，这里的死亡，并不是狭义的死亡，而是表示任意你关心的结局事件。比如分析疾病进展的风险，分析出院后再次入院的风险，等等。总之，只要有事件是否发生、以及事件发生的时间，就可以考虑cox回归。
cox回归在生存分析这一领域中，几乎是一统江湖，绝大多数生存分析的方法都难以与之抗衡，因为它简单易用，不像那些参数回归那么复杂，所以深得非统计学专业人士的青睐。
本文先简单介绍这几种，后面的一些回归方法陆续再介绍。敬请期待。
联系客服
